PulseAugur
中
实时 12:49:32
实体 recurrent neural network

recurrent neural network

PulseAugur coverage of recurrent neural network — every cluster mentioning recurrent neural network across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
10
90 天内 56
发布 · 30天
0
90 天内 0
论文 · 30天
10
90 天内 52
层级分布 · 90 天
主题
关系
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/4 页 · 共 65 条
  1. TOOL · CL_366405 ·

    FlyVQA 利用飞蚊视觉通路评估视频质量

    研究人员开发了 FlyVQA,一种利用冻结的飞蚊视觉通路来评估视频帧插值质量的新方法。这种基于生物学的方法将参考视频和失真视频序列映射到飞蚊的运动通路中,以量化时间一致性差异。实验表明,FlyVQA 比传统的 CNN、RNN 和 Transformer 基线模型更能与人类评分达成一致,表明其在更准确的感知质量建模方面具有潜力。

  2. TOOL · CL_352432 ·

    新AI模型CURRENT提升MRI分辨率,助力医学分析

    研究人员开发了CURRENT,这是一种用于增强4D流MRI数据时空分辨率的循环神经网络。该统一的深度学习框架同时执行空间和时间方面的超分辨率,优于顺序SR方法,并改进了相对压力估算等基于物理的分析。该模型展示了有希望的泛化能力,尽管仅在合成数据集上进行训练,但在真实MRI数据上表现良好。

  3. TOOL · CL_327264 ·

    理论表明噪声从根本上塑造了RNN表征学习

    一篇新的理论论文探讨了内在噪声对线性循环神经网络(RNN)学习动力学的影响。研究人员认为,噪声,通常被视为一种干扰,可以通过打破解空间简并来从根本上塑造表征学习。该研究使用了一个具有白噪声输入的、可解析处理的模型,证明了噪声可以显著影响权重的对齐,甚至诱导相变,在某些参数约束下,非简并解不再是最优的。

  4. TOOL · CL_315174 ·

    大气视宁度预报的机器学习模型基准测试

    研究人员评估了用于短期大气视宁度预报的机器学习模型,旨在改善天文观测和光学通信。该研究将高斯过程(GPs)和一种名为FloTS的基于归一化流的模型与确定性循环神经网络(RNN)和长短期记忆(LSTM)模型进行了比较。结果表明,深度学习模型,特别是LSTM和FloTS,在预测长达两小时的大气视宁度方面取得了更高的准确性。FloTS在概率预报和不确定性量化方面也展示了强大的能力,提供了比GPs更具信息量的预测。

  5. TOOL · CL_310003 ·

    AI智能体为Polymarket的预测市场做市进行训练

    研究人员开发了一个用于预测市场做市的多智能体强化学习系统,专门解决了Polymarket订单簿流动性不足的挑战。该系统重建了订单级别的数据,并使用具有循环神经网络策略的独立近端策略优化(Independent Proximal Policy Optimisation)来训练智能体。虽然重新设计的单智能体做市商在报价频率和亏损减少方面优于基线,但在评估中,没有一种配置实现了正的平均投资组合价值。

  6. TOOL · CL_303727 ·

    新的DETRNN模块提升对象检测精度

    研究人员开发了DETRNN,这是一个旨在增强DETR风格模型中对象检测能力的新型模块。该即插即用组件将无序的对象查询转换为一个具有竞争意识的序列,利用RNN根据置信度和相似度来优化预测。通过在解码器中建模竞争,DETRNN旨在减少冗余输出,稳定训练,并最终提高检测精度,在各种DETR风格的检测器上都实现了可比效率下的稳定提升。

  7. TOOL · CL_292755 ·

    斯坦福大学提供免费在线课程,讲解 LLM 基础知识

    斯坦福大学正在提供一门名为 CME 295:Transformers & Large Language Models 的免费在线课程,由 Afshine 和 Shervine Amidi 讲授。该课程的第一个讲座已有超过 372,000 次观看。课程涵盖了 LLM 的基本工作原理,追溯了它们从循环神经网络到 Transformer 架构的演变过程。课程深入探讨了诸如分词 (tokenization) 等关键概念,解释了文本如何被转换为…

  8. TOOL · CL_292729 ·

    AI为韩文字日生成韩语笔画

    一个项目已开发出来,使用循环神经网络(RNN)生成韩语笔画。该项目在Hacker News和Mastodon上分享,旨在通过展示这种AI驱动的书法方法来庆祝快乐韩文字日。该工具允许通过AI模型创建韩语手写体。

  9. TOOL · CL_287234 ·

    深度学习在纵向医学影像分析中展现潜力 · 跟踪 1 个来源

    对 2018 年至 2025 年间发表的 102 篇研究进行的范围审查显示,深度学习是纵向医学影像分析的一个有前景的领域。审查发现,神经系统疾病是最常见的临床应用,其次是眼科疾病,其中 MRI 是主要的成像方式。虽然结合 CNN 和 LSTM/RNN 等时间模型的序列特征建模方法被频繁使用,但该研究强调需要更新的时间模型架构和更大的数据集来改善临床应用。

  10. TOOL · CL_277359 ·

    新的Chordonomicon数据集提供66.6万首歌曲的和弦进行

    研究人员推出Chordonomicon,一个包含超过66.6万首歌曲级符号和弦进行的新数据集。该数据集比现有数据集规模更大,并包含结构部分、流派和发布日期的注释。随附的研究还提出了一个用于下一个和弦预测的基准套件,评估了循环神经网络、门控循环单元和长短期记忆架构。实验表明,结构注释可提高预测性能,并且该数据集可作为未来音乐理解模型的开放基准。

  11. TOOL · CL_254467 ·

    WaveHiTS模型利用小波和层次化方法增强风向预测

    提出了一种名为WaveHiTS的新模型用于风向预测,该模型集成了小波变换和层次化时间序列方法。该方法将风向分解为U-V分量,并利用小波变换捕捉多尺度频率模式,有效减少了多步预测中的误差传播。在中国内蒙古的数据实验表明,WaveHiTS显著优于各种深度学习和基于Transformer的模型,RMSE值约为19.2°-19.4°,而循环模型则超过56°,在长达60分钟的预测中表现稳健。

  12. TOOL · CL_249548 ·

    新的XAI框架提升LSTM在信道估计中的效率

    研究人员开发了一个名为X-RACE的新框架,以提高深度学习模型(特别是用于高移动性车辆环境中信道估计的长短期记忆(LSTM)网络)的可解释性和效率。该框架采用了一种新颖的双重优化策略,同时修剪不相关的输入子载波和内部隐藏单元,从而降低了计算复杂度。此外,X-RACE引入了新的时间XAI指标——饱和时间、重要性漂移和相关性对比——来分析LSTM学习动态。模拟结果表明,与传统的XAI方法相比,X-RACE可以将推理复杂度降低44%以上,同…

  13. RESEARCH · CL_245606 ·

    新研究利用新颖架构解决手写字符识别问题

    两篇新研究论文探讨了手写字符识别的进展。第一篇论文介绍了一种结合滑动窗口路径签名和线性循环单元(LRU)的框架,在识别旋转手写字符方面取得了高精度,在速度和准确性上均优于现有模型。第二篇论文提出了 GraphemeNet,一种多脚本架构,通过持久支架注入和笔画拓扑模块显式编码脚本-几何规律,展示了跨各种书写系统的结构先验效率。

  14. TOOL · CL_239428 ·

    新的模块化深度RNN架构提高了复杂动力学学习的效率

    开发了一种新的模块化深度循环神经网络(RNN)架构,以简化各种RNN设计的部署并自动计算基于梯度的学习的导数。这种模块化支持新的架构,包括具有前馈层间连接的架构,从而显著增强了RNN对复杂动力学和非线性的建模能力。所提出的方法还有助于缓解多层RNN中梯度消失/爆炸的问题,其在四旋翼飞行器案例研究中的成功应用证明了这一点,在该研究中,它比现有方法更有效地学习了高度动力学。

  15. TOOL · CL_239217 ·

    新型图神经网络准确预测城市PM2.5水平

    研究人员开发了一种新颖的空间注意力图神经网络(SA-GNN)来预测城市环境中的PM2.5浓度。该模型使用在印度古吉拉特邦苏拉特收集的新数据集进行了测试,该数据集包括PM2.5水平、气象数据和土地利用特征。SA-GNN在LSTM和RNN等传统模型上表现出优越的性能,R^2得分为0.95,表明其在捕捉复杂时空模式以改进空气质量监测和个性化健康警报方面的有效性。

  16. TOOL · CL_231459 ·

    新的LRNBA架构提供神经网络压缩

    研究人员推出了一种名为线性可复用神经网络基架构(LRNBA)的新框架,旨在解决大型AI模型的内存成本瓶颈。LRNBA将网络块表示为共享神经网络基的线性组合,其灵感来源于循环神经网络的设计,能够在保持训练稳定的同时实现显著的网络压缩。实验表明,LRNBA在相同的参数预算下,能够实现与传统架构相当或更快的收敛速度和更低的损失,从而允许构建更宽、更深的网络。

  17. TOOL · CL_229313 ·

    深度学习模型提升电池健康状态估计精度

    研究人员开发了一个新的框架,使用混合深度学习模型来估计电池的健康状态(SOH)。该模型结合了卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络,并通过贝叶斯优化调整超参数。研究评估了独立的循环模型、CNN-RNN架构以及通过中间全连接层增强的模型,发现后者最准确。该框架整合了容量和电压等各种电池数据特征,并使用MAE、RMSE和FLOPs作为指标在三个公开数据集上进行了验证。

  18. TOOL · CL_228657 ·

    新型FAM-LSTM模型改进葡萄浆果温度预测

    研究人员开发了一种新颖的FAM-LSTM模型,将前馈注意力机制与长短期记忆网络(LSTM)相结合,以准确预测葡萄浆果的温度。该模型在各种预测范围和数据输入场景下,始终优于LSTM、GRU、RNN和随机森林等现有方法。研究发现,纳入园内微气候测量数据可显著提高预测精度,尤其是在较长的预测期间,为葡萄园的精准热应力管理提供了强大工具。

  19. RESEARCH · CL_221235 ·

    新的基于RNN的框架加速了3D多细胞生长的多GPU模拟

    研究人员开发了一个新的多GPU框架,旨在显著提高详细3D多细胞生长模拟的可扩展性。该框架利用循环神经网络(RNN)在GPU之间动态平衡工作负载,解决了随着细胞移动和生长改变计算分布而产生的效率低下问题。基于RNN的控制器经过离线训练,能够学习纠正不平衡,与静态或反应式负载均衡方法相比,可减少运行时间和重新划分事件。评估表明,仅GPU加速就能将计算速度提高三个数量级,而RNN引导的均衡进一步将全局不平衡从11.3%降低到3.5%。

  20. TOOL · CL_213905 ·

    曝光差距指标对计划抽样的有效性预测能力很差

    对序列预测模型中计划抽样的新分析显示,“曝光差距”指标(常被引用来解决曝光偏差)在预测计划抽样的有效性方面几乎没有预测能力。研究表明,模型在标准教师强制下的性能是计划抽样是否有益的更强指标。该研究还强调了该过程的固定点以及测量模型误差的准确性问题,尤其是在循环神经网络方面。